卷积神经网络 pytorch

卷积神经网络（Convolutional Neural Network, CNN）是一种用于图像识别和计算机视觉任务深度学习模型。PyTorch 是一个基于 Python 的深度学习框架，也提供了对 CNN 的支持。

在 PyTorch 中，你可以使用 `torch.nn` 模块来构建卷积神经网络。通常，一个基本的 CNN 模型由卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）组成。

以下是一个简单的卷积神经网络模型的示例：

import torch
import torch.nn as nn

class MyCNN(nn.Module):
    def __init__(self):
        super(MyCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(16 * 8 * 8, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 16 * 8 * 8)
        x = self.fc(x)
        return x

# 创建一个实例并传入数据进行前向传播
model = MyCNN()
input_data = torch.randn(1, 3, 32, 32)
output = model(input_data)

print(output.shape)

在这个例子中，我们定义了一个包含一个卷积层、ReLU 激活函数、池化层和全连接层的简单 CNN 模型。输入数据的尺寸是 `(1, 3, 32, 32)`，其中 `1` 是批次大小，`3` 是输入图像的通道数（RGB 图像为 3），`32` 是图像的高度和宽度。

模型的前向传播通过调用 `forward` 方法完成。最后我们打印输出的形状，这里假设输出是一个大小为 `(1, 10)` 的张量，表示模型对输入的预测结果。

当然，这只是一个简单的例子，实际应用中，你可能会设计更深层次的 CNN 模型，并使用更复杂的数据集进行训练。为了提高模型性能，你还可以使用其他技术，如批标准化（Batch Normalization）、残差连接（Residual Connections）等。